（信号与信息处理专业论文）基于音色参量的声纳回波特征提取及分类.pdf

基于音色参量的声呐回波特征提取及分类 摘要 水下目标正确分类的决定因素是对不同类型信号特征的有效提取。现已有大量关于 时域、频域及时频联合域的特征提取方法，并在理论上取得了较好的识别结果。但实 践中依然要依赖训练有素的声纳员听觉系统对水下目标类型进行判断。声音的响度、音 调、音色和持续时间是描述声音听觉属性的有效特征参量，其中响度、音调和持续时间 已有较成熟的计算模型，且被有效地应用在主动声纳回波信号分类识别中。由于目标与 接收平台距离远近和海况等严重影响响度的大小，而信号的音调和音色几乎不受其影 响，可以共同反映不同目标的本质差别。因此，本文提取主动声纳回波的音色特征，实 现水下目标回波、噪声和混响信号的有效分离。 在前人对音色维度研究的基础上，本文选取与谱形结构和谱能量分布有关的听觉参 量对回波信号的功率谱进行细分，并分析听觉感知特征量的分布反映的目标和海底声散 射特性。高阶统计量可以抑制某些分布的噪声，提高信混噪比，增加后续特征提取的准 确度。本文在目标信号的三、四阶对角切片谱上提取其听觉感知特征，以获得更好的分 类识别效果。为此，推导了c w 和l f m 脉冲的1 5 维谱、2 5 维谱所包含的信号信息。 采用混合高斯分布模型拟合目标回波、噪声和混响瞬时值的概率密度分布，并分析两种 非高斯分布的高阶统计量表达式。最后讨论了目标回波、噪声和混响在信号特征空间中 可分性，采用径向基核函数支持向量机对提取的听觉特征进行分类。 仿真分析验证了提取听觉感知量作为分类特征的可行性。对湖试数据进行处理，在 其功率谱，三阶和四阶累积量对角片谱上提取信号的听觉感知特征参数用于回波分类。 实验数据处理结果表明，在对音色参数进行特征组合的感知特征空间中，信号的最高分 类识别率大约为9 6 8 7 ，平均准确率在8 0 以上。且2 5 维谱上提取特征的分类准确率 高于功率谱上的特征分类准确率，1 5 维谱上的特征提取分类效果最差。 关键字：水下目标识别；声纳回波信号；音色参量提取；高阶统计量 哈尔滨工程大学硕士学位论文 基于音色参量的声呐回波特征提取及分类 a b s t r a c t t h ed e c i s i v ef a c t o ro fd i a e r e n tt y p e so fu n d e 州a t e rt a r g e t sc l a s s i f i c a t i o nc o r r e c t l yi st h e f e a t u r ee a e c t i v ee x t r a c t i o n t h e r ea u r eal a 唱en u m b e ro ff e a t u r ee x t r a c t e dm e t h o d si nt i m e d o m a i n ，f r e q u e n c yd o m i a na n dt i m e - 舶q u e n c yc o m b i n e dd o m i a n ，a 1 1 dm o s eg e t ag o o d r e c o g n i t i o nr e s u l t s b u ti np r a c t i c e ，i ts t i l ld e p e n d so nt h ea u d i t o r ) ，s y s t e mo ft r a i n e ds o n a r m e m b e rt oj u d g et h ek i n do fu n d e r w a t e rt a 曙e t t h el o u d n e s s ，p i t c h ，t i m b r e ，a n dd u r a t i o na r e e f f e c t i v e c h a r a c t e r i s t i cp a r a m e t e r s ，w h i c hc a nd e s c r i b et h eh e a r i n ga t t r i b u t eo fas o u l l d ， 锄o n gt h e m ，l o u d n e s s ，p i t c h ，t i m b r ea j l dd u r a t i o nw i t hm o r em a t u r ec a l c u l a t i o nm o d e l ，h a v e b e e na p p l i e di nt h ef e a t u r ec l a s s i f i c a t i o na n dr e c o g n i t i o no fa c t i v es o n a re c h o e s b e c a u s eo f t h e 锄p l i t u d eo ft h el o u d n e s si ss e r i o u si m p a c t e db yt h ed i s t a l l c eb e t w e e nt a 唱e ta n dw o r k p l a t f o m ，w h i l em ep i t c ha n dt h et i m b r ei sm e r e l yi m p a c t e db ym ed i s t a n c e ，a n dm o s et w o p 猢e t e r sc a j lr e n e c tt l l eq u a l i t a t i v ed i 虢r e n c eo fd i 腑r e n tk i n d so ft a r g e t s t h e r e f o r e ，t h e t i m b r ec h a r a c t e r i s t i c si se x t r a c t e di nm i sp a p e rt or e a l i z et h ee a e c t i v e l ys e p a r a t e do ft h et a 昭e t e c h o e s ，n o i s ea n dr e v e r b e r a t i o n b a s e do nt h er e s e a r c ho nt i m b r ed i m e n s i o n so ft h e p r e d e c e s s o r s t h ea u d i t o r y p a r a r r l e t e r sw h i c hr e l a t e dt ot h es t m c t l l r eo ft h es p e c t m ma n dt h ee n e 略yd i s t r i b u t i o na r e c h o s e ni nt h i sp 印e ri no r d e rt os u b d i v i s i n gm ep o w e rs p e c t m m ，a n da n a l y s i so fs c a t t e r i n g c h a r a c t e r i s t i c so ft h et a r g e ta n dt h eb o t t o mo ft h es e a 、v h i c hc a l lb er e n e c t e db yt h e d i g t r i b u t i o no ft h ea u d i t o 巧p a r a m e t e r s h o sc a nr e s t r a i ns o m en o i s e 谢t hs p e c i a lp r o b a b i l i t y d e n s i t y 凡n c t i o n ，a i l di tc a i ld e t e c tm es i g n a lw i m 矗e q u e n c yc o u p l i n g ，i nr e c e n t l yy e a r s ，h o s 、v a s 诵d e l ya p p l i e di nm a n yf i e l d t h ea u d i t o r yp e r c e p t i o nc h a r a c t e r i s t i c sw e r ee x t r a c t e do n t h et h i r da i l df o u r c ho r d e rd i a g o n a ls l i c e ss p e c t m mi nm i sp 印e rf o r b e t t e rc l a s s i 6 c a t i o ne 俄c t t h e r e f o r e ，i td e r i v e s1 5 d i m e n t i o n ss p e c t r u ma i l d2 5 d i m e n t i o n ss p e c t r u mo fm ec wa n d l f m p u l s ec o n t a i ni n f o n n a t i o no fs i g n a li nt h ep a p e r g a u s s i a n - m i x n l r em o d e lw a su s e dt o f i t t i n gt h ei n s t 础a i l e o u sv a l u ed i s t r i b u t i o no ft h et a 培e te c h o e s ，n o i s ea n dt h er e v e r b e r a t i o n ， a 1 1 da 1 1 a l y z i n gh o sf u j l c t i o n so ft h et w ok i n d so fn o n - g a u s s i a i ld i s t 曲u t i o n a tl a s t ，s u p p o r t v e c t o rm a c h i n e ( s v m ) w a su s e dt oc l a s s i f yt a 唱e ts i g n a l s ，n o i s ea 1 1 dr e v e r b e r a t i o n t h es i m u l a t i o na 1 1 a l y s i sv e r i 匆t h ef e a s i b i l i t ) ，o ft h ea u d i t o 巧p e r c e p t i o ne x t r a c t e di n f e a t u r ec l a s s i f i c a t i o n d a t ap r o c e s s i n gf o ral a k et r y a u d i t o r yp e r c e p t i o nf e a t u r e se x t r a c t e do n t h ed a t a - sp o 、v e rs p e c n l l l l l ，m i r da n df - o u i t ho r d e rc u m u l a n td i a g o n a ls l i c eo fs p e c t n nw a s u s e db ye c h o e sr e c o g i l i t i o n e x p e r i m e n t a ld a t ap r o c e s s i n gr e s u l t ss h o wt h a t ，i nt h ed i f f e r e n t p e r c e p t i o nf e a n j r ec o m b i n a t e ds p a c e ，t h eh i 曲e s tr e c o g n i t i o nr a t ei sa b o u t9 6 8 7 ，a n dt h e 哈尔滨工程大学硕士学位论文 a v e r a g er e c o g n i t i o nr a t ei sm o r e t h a i l8 0 m o r e o v e r ，t h er e c o g n i t i o nr a t eo n2 5 d i m e n t i o n s s p e c t n l i i 】i sh i g h e rt h a l lt h a to np o 、v e rs p e c t 舢n ，a n dt h er e c o g n i t i o ni sb a do n1 5 d i m e n t i o n s s p e c t m m k e yw o r d s ：u n d e n a t e r t a 玛e tr e c o g i l i t i o n ；a c t i v es o n a re c h o e s ；t i m b r ep 猢e t e r se x t r a c t e d ； h i 曲一0 r d e rs t a t i s t i c s 第1 章绪论 第1 章绪论 1 1 本文研究背景及意义 水下目标探测可采用电、磁、光和声等手段，但声波在水下传播衰减小，传播距离 远，因而利用主动声纳进行水下目标探测是目前最有效的探测方法。主动声纳测量系统 向环境中发射信号，并接收和处理经介质、界面、物体等反射的声波，实现对目标的检 测、跟踪和识别，或研究经自然存在的散射体反射的回波统计特性。由目标物体引起的 散射声波称为目标回波，常常隐藏在与其具有相似特性的杂波干扰中，这种杂波干扰称 为混响。受海洋介质的各种非均匀性及其介面的不平整性，海洋环境的变化和发射信号 本身参数的选择等因素影响，无法精确的描述出混响的物理特性。对目标回波和混响在 不同信号特征空间下表现出的不同性质进行分析，并选择与之匹配的特征提取方法，有 助于提高目标检测和识别的准确率。 回波声信号是由入射声波激励目标物体产生的，因而携带了目标物体的某些特性。 通过对回波信号特性的分析，采用有效的特征提取方法，就有可能实现对不同目标的准 确检测和识别。声纳兵是依靠听觉系统来实现对水下不同目标信号的有效分类，真目标 听起来有所谓转音或金属撞击声，而假目标没有，即真目标具有转音特性。因此，近几 年来许多研究人员都在致力于借鉴语音识别技术描述主动声纳回波的听觉特性，进而达 到目标识别的目的。人类的听觉系统包括对声信号进行预处理的听觉外周系统，以及在 此基础上提取信号特征的大脑系统。人类对声事件的识别主要依靠广义听觉特征n 。2 1 ，其 包括声特征，主要指声信号本身蕴含的目标特征，可以用声音的响度、音调和音色相关 参数来描述；源特征，这是与声源、环境、传播介质、声事件关联的特征；高阶语义特 征，它与声事件的深层次内涵，即语义信息相关联，主要包含人的感知、意识、知觉方 面决定的特征。这些特征相互作用，使得人类听觉系统对声目标的识别机理异常复杂。 目前，基于听觉原理提取目标声特征的方法主要有听觉模型法和心理声学参数法。前者 利用听觉模型输出的听觉响应作为目标特征，后者利用一些反映人对声音主观感受的心 理声学参数作为目标特征。 本文的工作主要是研究结合功率谱，三阶和四阶对角切片谱方法的心理声学参数在 区分水下目标回波信号和混响的适用性和有效性。讨论描述音色的有关听觉感知特征量 对水下目标、噪声和混响的分类识别效果。目标具有空腔，较均匀的壳体和分段结构， 其回波中包含多种类型的声波，而海底背景混响主要指声波经海底介质的反射回波，这 就使目标回波和海底背景反射的混响噪声产生本质上的差异，为二者的分类识别提供了 依据。通过目标回波、噪声和混响的听觉感知特征量分布，分析目标和海底界面的声散 射特性，为后续探求物体的有关形状尺度和材质信息提供依据。 哈尔滨工程大学硕士学位论文 1 2 回波信号的特性分析 主动声纳接收海底回波信号的示意图，如图1 1 所示。 图1 1 主动声纳接收海底回波 从图1 1 中可以看出，接收的回波信号中除了包含隧标回波，还包含海洋环境噪声 和由海底声散射弓l 起的杂波干扰。为了有效的区分目标回波和杂波干扰，需要对两类信 号的产生机理和散射特性有清楚的认识。 1 2 1 回波信号的物理模型研究。 对水下沉底、掩埋目标回波的物理特性进行研究，寻找一种可以有效识别沉底和掩 埋嚣标的信号处理方法。在声纳设备中对回波信号的研究主要包括p 1 ：( 1 ) 发现、分析、 建模环境中的回波声源；( 2 ) 建立声散射和传输的物理模型及对其修正；( 3 ) 分析、建模 和仿真声纳系统接收数据的主要回波成份；( 4 ) 寻找减小虚警概率的信号或信息处理方 法。对声纳回波信号的建模，主要是对混响信号的建模。混响包络服从瑞利分布的理论 前提是单位面积内散射体数蟊服从中心极限定理。然而，许多现代高分辨声纳系统在单 位面积内接收的散射体数量减少，以至于不满足大数定律，表现为其包络概率密度的非 瑞利分布，造成检测时较大的虚警概率m 1 。 近三十年来，大量模型用来仿真混响l 抢概率分布，主要包括：瑞利，k _ 分布，w | e i b u l l ， r a y l e i 曲m i x t u r e ，l o g - n o 嫩谳，g c n e 两i z e dp a r e t o ，g 猢a ，指数分布，p o i s s o 小r a y l e i 曲， r a y l e i 曲p o w e r - l a wm i x t u r c 和k - | m i x t u r e 等。上述模型可分为两类：一类是通过混响产 生的物理过程来获取概率分布，这类概率密度函数建立在物理模型之上，如k 分布模型； 另一类是以瑞利混合分布模型为代表的现象模型，比第一类模型更稳健p 1 。本文研究回 波信号的瞬时值概率密度分布及其高阶累积量形式，并推导了水声中典型信号高阶累积 量包含的信号信息。探求基予高级统计量的特征提取方法对回波信号分类的有效性。 2 第l 章绪论 i 2 2 目标信号的声散射特性分析 主动声纳发射换能器基阵发出携带信息的声波，通过海水传输介质，界面反射和散 射源散射，到达接收水听器阵，接收的回波信号不仅与发射信号有关，并且调制了散射 源的物理特性，包含目标的形状、尺寸和材料信息，是主动声纳实现目标识别的基础1 。 真目标属于弹性体，具有均匀的壳体结构，在入射声波的激励下，弹性表面波传播 时向水中不断辐射声波。而实心假目标或海底介质不具有这种特性，因此可以作为混响 背景下判断目标的依据。研究海底掩埋目标回波物理特性的理论主要包括以下几种p 1 ： 用积分方程法、r a y l e i 吐简正级数解和共振散射理论等，但这些理论只能对简单模型进 行有效的分析，并且计算量大，因而限制了其应用。在高频情况下，散射体的回波信号 由几何亮点和弹性亮点构成。几何亮点与目标的材料无关，只与目标的几何结构有关。 弹性亮点是当入射声波与目标的本征频率相吻合时，目标振动向周围介质辐射的弹性波 构成的，携带物体的材质信息哆1 。虽然这种方法对于散射波产生的物理机理描述并不十 分准确，但基本上正确的描述了亮点的散射特性，称为物理声学方法，或亮点模型，是 工程上最常用，最重要的近似方法。 人耳的听觉系统具有依靠声波中携带的目标特性实现听音辨物的能力，人耳区分敲 击不同物体发出声音的过程类似于声纳信号处理系统在混响背景下辨别目标的过程。 s i m o nt u c k e ra i l dg u yj b r o w n 一1 分别在空气中和水中做了敲击不同悬吊物的实验，让经 过训练的一群人通过听觉来判断分别处于空气和水中的目标物体形状、尺寸和材质。实 验分为两大部分：( 1 ) 人耳感知相同材质不同形状和相同材质相同形状但尺寸不同的物 体；( 2 ) 人耳感知相同形状相同大小但材质不同的物体。实验结果表明人耳听觉系统能够 较好的辨别不同材质的物体，对于形状和尺寸的辨别能力相比而言较差，并且识别空气 中目标的正确率高于识别水中目标的正确率。进一步的研究表明人耳能辨别不同材质的 目标主要依靠物体发生形变时冲击响应函数的带宽及衰减率不同。在此基础上t u c k e r a n dg u yj b r o w n 州又进行了如何选择基于听觉感知特征的水下瞬态信号最优识别参量 的研究。建立了联合表现声音三要素( 即响度、音调和音色) 属性的有关参数模型。针 对声源的物理材质以及瞬态信号发生的暂态形式提出一种被动声纳目标水下识别框架。 特别地，将感知特征与时间、频率、功率的统计特征进行对比说明感知特征用于目标识 别的有效性，并且验证了最有效的分类手段是一系列感知参数、谱特征和统计特征参数 的融合。 1 3 水下目标的特征提取方法研究 特征是反映目标某种本质属性的独特物理参量，是正确区分各类目标的主要依据。 从广义上讲，特征提取是在给定约束条件下通过某种变换( 或称映射) 实现由n 维数据空 哈尔滨工程大学硕士学位论文 间向m 维特征空间的转换n 1 1 。有效的水下目标特征提取是以深入了解目标回波的产生机 理和散射特性为基础的，并运用各种与之匹配的现代信号处理手段实现目标回波和混响 的分离。主要的实现手段有两种：从回波的产生机理和波形来讲，有极点模型厶1 、共 振散射理谢1 4 1 和亮点模型1 5 1 。而在实际应用中，由于海洋环境的时变性和水下目标几何 形状未知且通常较为复杂，因而很难利用数学式子表示和求解，这就促使人们在回波信 号的观测序列上探求解决方法。本文对声纳回波信号听觉感知特征量的特征提取，是在 信号的频域功率谱和三、四阶对角切片谱上进行的。 1 3 1 非平稳信号的特征 非平稳信号的概率密度随时间的变化而改变，即统计意义上具有时变性特征，如幅 度、相位和频谱成分是时间的函数。在实际中，平稳性假设往往难以成立，如心电信号 的统计特性随时间变化而变化，舰船辐射的噪声信号、主动声纳的回波信号受时变海洋 环境的影响，其统计特性也随时间的变化而变化。对于平稳信号，可采用傅里叶变换分 析其谱成份，而对于非平稳信号，时域上的积分模糊了信号的时域特征。因此，通常采 用瞬时频率、瞬时时间、平均时间和带宽等概念来对非平稳信号进行描述。瞬时频率可 用式( 1 1 ) 和( 1 2 ) 求得： y ( f ) = s ( ，) + j s ( f ) 们) = 去丢融删 ( 1 - 1 ) ( 1 2 ) 瞬时频率和频率是两个完全不同的概念，对于单一分量的窄带信号，瞬时频率的统 计特征和频谱是相关联的，瞬时频率幅值加权的时间均值等于频谱的中心频率，而瞬时 频率加权的方差等于信号带宽的平方。时频分析方法是分析非平稳信号的有利工具，该 方法采用一滑动窗截取信号，并认为窗内的信号是准平稳的，再分别对各段窗内信号进 行傅里叶变换，构成了时变信号的时频谱6 。本文基于该思想，对实际接收的声纳回波 数据进行加窗处理，认为在每个窗内，数据统计特性对时间是缓慢变化的，可以近似认 为是平稳的。在此基础上，分析数据的各阶统计特征，进一步实现各阶谱结构的精细划 分。 1 3 2 时域相关分析和频域功率谱估计 二阶统计量，如时域相关和功率谱估计是处理水声信号的基本方法，但这两种方法 仅能对均值已知的高斯过程进行完整的描述，且难以体现信号功率谱中频率分量间的信 息。实际中，基于二阶统计特征的信号处理方法主要有拷贝相关器和匹配滤波器。粗略 的讲滤波器的作用就是从被污染的信号中抽取有用的信号信息m 1 。混响背景下的目标检 测问题中，混响信号可以看成是有色背景噪声，为了实现有效的目标信号特征提取，可 4 第1 章绪论 以把色噪声转化为白噪声，再采用白噪声背景下目标回波的检测方法，实现对其的有效 检测。文献 1 8 将混响数据进行分段局部平稳化，再用白化滤波器对信号进行分段预白 化处理，从而完成色噪声的白化过程。实验证明了该方法的有效性。文献 1 9 提出一种 改进的a r 自回归模型，对于发射l f m 信号产生的浅海海底混响预白化，增强目标回 波信号的强度。这种方法用频率聚焦变换将线性调频混响中的线性变化频率转化成平稳 频率成分，使得混响的局部平稳性增强，a r 模型预白化效果得到提高，最后用该方法 处理的实际混响数据分别通过匹配滤波器和g l r t ( g e n e r a l i z e dl i k e l i h o o dr a t i ot e s t ) 检测 器，效果分别提高6 和1 1 。但目前，对于非平稳信号在高阶域上平稳化的研究还比 较少见，这点是以后学习工作中值得注意的。 1 3 3 高阶统计量方法 二阶统计量能够完整地描述服从正态概率密度分布的随机过程，且计算量小易实 现。但实际的水下声信号通常不是服从正态分布的随机过程，现有研究表明：舰船辐射 噪声、主动声纳回波信号及其它水声干扰都是非平稳、非高斯和非线性过程口0 1 。既然二 阶统计量不能全面分析水下声信号的特征，这就使得人们试图从接收信号获得更多的信 号信息。高阶统计量( h o s ：h i g h e 卜o r d e rs t a t i s t i c ) 正好满足了上述要求，它是针对二阶统 计量的各种局限提出的，是研究非高斯和非线性信号的有效工具口。 1 9 9 0 年，g e o r g i o sb g i a l l l l a l 【i s 和m i c h a i lk t s a t s a l l i s 采用三阶累积量作为背景噪声 和目标信号的分类特征，在s n i p 6 d b 时，平均识别率在9 5 以上，是基于二阶累积量 特征提取识别率的2 5 倍拉引；19 9 5 年，a j a yn b a l a n 及m 加1 0 0 dr a z i m i s a d j a d i 抽取双 谱的不同切片作为各类地雷和背景回波信号的特征，采用神经网络对两类信号进行分 类，平均识别率在9 3 以上【2 3 之4 1 。1 9 9 8 年，t o r i om 嘶n o 等人采用三阶累积量方法对具 有不同组织结构的物质进行分类识别，结果表明：当信噪比s n i 5 d b 时正确识别率在 9 0 以上，即使s n r i 1 0 d b ，正确识别率也在7 0 以上口 。但高阶统计量也有其应用的 限制，如对三、四阶及更高阶累积量其物理意义不明确，计算量大等。 1 4 基于听觉机理的水下目标识别研究 模仿人耳听觉系统实现对不同目标的分类，思想来源于经过训练的声纳兵可以有效 的区分不同类型的水下目标，美国的c h a u r l e sf g a u m o n d 和d e r e kb r o c k l 2 州设计了人耳听 力测试实验，用来分析人耳对发射脉冲信号的声纳回波感知能力。但由于依靠人耳听觉 系统对目标的辨识受人主观意志的影响较为严重，如人的心情、健康状况等。加拿大的 p a u l c h i n e s 和n a n c va l l e n 等人口7 。2 8 钡0 试了声纳员依靠人耳听觉系统区分不同目标信号 的能力，研究了声纳员实现听音辨物依赖的声特征，并将这些特征进行融合，形成自动 分类器，以弥补人的主观感受对识别效果的影响。图1 2 是声纳兵正在进行听觉分类训 哈尔滨工程大学硕士学位论文 练示意图。 图1 2 声纳兵的听觉分类训练 图1 3 和图1 4 分别是人耳听觉系统和机器模仿人耳听觉系统进行目标识别的r o c 曲线，横轴代表虚警概率，纵轴代表检测概率。 p r o b a 洲口o lf a i s ea l a 肌p f o b a b i i i t 、，o f 瞧l s ea l a r m 图1 3 听觉系统识别目标的r o c 曲线图1 4 机器自动识别目标的r o c 曲线 在全频带宽度范围内，人耳听觉系统识别目标的最高识别率大约在o 9 9 8 ，如图1 3 实线所示；平均识别率大约在o 9 4 ，如虚线所示。机器自动识别目标的最高识别率大约 在0 9 8 ，如图1 4 实线所示。当频带宽度减小时，人耳听觉系统识别目标的最高识别率 大约在o 9 1 ，如图1 3 点横线所示；当频带宽度减小时，平均识别率大约在o 7 7 ，如点 线所示，机器自动识别目标的最高识别率大约在o 8 6 ，如图1 4 虚线。从以上结果可以 看出，机器模拟听觉系统实现对目标进行分类的效果与声纳兵利用人耳听觉系统对目标 分类的效果相当。 借鉴乐音中的研究成果，声音的音调、强度和音色可以用来描述声音的特征，可作 为区分不同目标的依据。文献【2 9 3 0 发射连续或脉冲信号，利用描述音色特征的听觉感 知参量，如感知强度的质心和峰值，以及基于子带上升时间和下降时间的感知特征，对 目标回波和杂波干扰进行分类，正确识别率大约在9 0 ，并检验了发射信号参数( 脉宽、 频率) 改变时，对该方法分类效果的影响。 6 第l 章绪论 为了获得较高的分辨率，主动声纳检测目标时发射信号频率一般远在人耳听觉范围 之外。利用听觉感知特性检测水声信号时，首先要将接收的信号频谱进行线性搬移，使 其分布在人耳的听力范围之内，并把搬移后的信号通过人耳模拟滤波器，模仿人耳对不 同频率感知的敏感度对信号进行分频，同时抑制噪声干扰，进而在听觉输出谱上提取信 号的各种听觉感知参数。但人耳辨别声音是一个心理生理学过程，人们对于听觉中枢怎 样处理声音信号、心理分析等一系列问题研究结果还很少，这些制约着依靠听觉参数提 取完成机器目标识别的发展。 1 5 本文的主要研究内容 本文借鉴语音和乐音识别领域中的研究成果，主要讨论与声音音色有关的听觉感知 特征量在主动声纳回波信号特征提取及分类中的应用。本文的主要研究内容有以下三个 方面： 1 、分析听觉感知特征量用于水下目标回波分类的可行性。提取目标回波、混响和 噪声信号在二阶统计量( 功率谱) 上的听觉特征感知量，讨论其反映的目标和海底声散射 特性。 2 、高阶统计量可以抑制某些分布的噪声，增加信混噪比，提高后续特征提取的准 确度。本文在截取目标段信号的三、四阶对角切片谱上提取其听觉感知特征，以获得更 好的分类识别效果。为此，推导了发射c w 和l f m 脉冲时，接收回波信号的1 5 维谱、 2 5 维谱所包含的信号信息。并采用混合高斯分布模型拟合目标回波、噪声和混响瞬时 值的概率密度分布，推导相应高阶统计量表达式，讨论高阶累积量是否适合分析所用实 验数据。 3 、讨论目标回波、混响和噪声在各音色空间中和不同特征组合空间中的可分性。 采用径向基核函数支持向量机方法对目标回波、混响和噪声三类信号进行分类识别，验 证听觉特征用于主动声纳回波分类的有效性。 7 哈尔滨工程大学硕士学位论文 第2 章声纳回波信号的听觉特征提取及分类 2 1 回波信号的高阶统计特性 声纳回波信号的谱细分通常是对功率谱的细分，然而信号的高阶统计量可以反映信 号频率( 相位) 的耦合信息，同时还可以抑制服从某些概率密度分布噪声。因此，本文尝 试在信号的功率谱和三阶、四阶累积量对角切片谱上提取信号的听觉感知信息作为分类 特征。 2 1 1 随机过程的谱分析 设石( ，) 是时间，的非周期实函数，z ( ，) 的f f t 存在的充要条件是： 1 、x ( f ) 在( 一o 。，) 范围内满足狄利赫利条件； 2 、x ( f ) 绝对可积，即 卧( f ) i 衍 o 。 ( 2 - 1 ) 3 、若x ( ，) 代表信号，则x ( f ) 的总能量有限，即 n ( ，) | 2 讲 一6 d b 时，该方法对不同舰船目标的识别率可达 9 1 1 7 p5 1 。 除此之外，语音学中引入了音调的概念来描述声音听起来高低变化的主观感受。人 耳对语音信号频率进行非线性处理，也就是说，音调与声音频率并不成正比关系，人们 采用m e l 频率刻度来描述音调： 心，( 厂) = 2 5 9 5 l g ( 1 + 厂7 0 0 )( 2 2 3 ) 式( 2 2 3 ) 中，f 为线性频率。实验表明：临界带宽是划分m e l 频率刻度的重要依据，当中 1 2 第2 章声呐回波信号的听觉特征提取及分类 心频率在l k h z 以下时，临界带宽大致呈线性分布，约为1 0 0 h z ；当中心频率超过1 k h z 时，随着中心频率的增长，临界带宽成对数增长u ”。 m e l 滤波器被称作一种准心理模型，是因为与听觉模型相比较，它只模拟了听觉滤 波器的分频特性和频率非线性压缩特性，听觉模型在l k - 1 6 k 将基底膜分为2 4 个临界频 带，每个滤波器的中心频率是固定的；而m e l 滤波器在听觉范围内根据对分辨率的要求 随意选择滤波器的个数，每个滤波器的中心频率也随滤波器个数选取的不同而不同。听 觉模型滤波器的形状与m e l 滤波器的形状不同，m e l 滤波器可选择任意形状滤波器，且 听觉模型滤波器是非对称的，而m e l 滤波器通常是按中心频率对称的。大连舰艇学院的 陆振波等人将m f c c 特征参数用于舰船辐射噪声的特征提取，实验结果表明：基于 m f c c 参数提取方法对目标的识别比a r 特征高3 6 ，抗加性噪声性能比a r 特征高 3 。但由于m f c c 是基于能量的特征，因而受不同工况和各种水文气象条件的影响严 重”1 。 2 2 3 人耳的听觉特性 人耳对声音的感受和辨别是听觉功能的两个主要方面，上文介绍了人耳感受声音的 过程：一是声波通过外耳道向内耳传递；二是声波在传递过程中由声波引起的机械振 动转变为生物电能，同时通过化学递质的释放而产生神经冲动的过程；三是听觉中枢 对传入信息进行综合加工处理的过程p 引。通常采用音色、音高、响度和时长来描述人耳 主观感受声音，可以作为区分不同目标发声的依据。 ( 1 ) 对音调的感知特性：音调反应声音频率的高低，人耳能感受的频率范围约为 2 0 h z 2 0 0 0 0 h z ，声强的动态范围1 0 。6 w c m 2 1 0 。2 w c m 2 。且人耳对频率的分辨能力是非 均匀的，但相对频率分辨率几乎恒定，即鲈厂0 3 5 p 3 3 9 1 。当然，声强会影响人耳对 于频率的分辨能力，太强或太弱都会使降率分辨率低频。 ( 2 ) 对响度的感知特性：声音的响度直观上讲就是人感受的声音强弱h 0 1 。心理学上， 采用响度级“方( p h o n ) ”或者“宋( s o n e ) ”来度量。入耳刚刚能听见声音时，此时声音的 强度为“听阈”，主观响度级定义为零方。响度很